Введение в проблему

В один из напряженных дней, когда мы обсуждали текущие проблемы в Slack, один из разработчиков поднял вопрос о медленном AI-парсинге. Обсуждение разгорелось, когда мы осознали, что пользователи начали жаловаться на задержки в обработке данных. В тот момент стало ясно: что-то нужно менять.

Контекст: почему это важно

Медленный парсинг данных не только замедлял наши внутренние процессы, но и негативно влияло на опыт пользователей. Клиенты, использующие наш продукт для анализа резюме, начали терять доверие к системе. Если мы не смогли бы решить эту проблему быстро, это могло бы привести к снижению числа подписок и, как следствие, к потере доходов. В этой ситуации каждый из нас чувствовал давление: это было важно для команды, бизнеса и, что самое главное, для наших пользователей.

Подробности проблемы

Проблема проявлялась в том, что запросы к AI-парсеру занимали слишком много времени — иногда до 10 секунд на одно резюме. Когда в системе одновременно работали несколько пользователей, нагрузка возрастала, и время ожидания увеличивалось до 20 секунд. Это вызвало целую серию жалоб, и один из примеров, который мы получили, был от нашего клиента, который не мог получить результаты анализа своих кандидатов вовремя. Мы поняли, что если ситуация не изменится, это приведет к утечке клиентов.

Первые попытки решения

В качестве первого шага мы решили оптимизировать сам парсер, уменьшая размер обрабатываемых данных. Однако это не дало ожидаемого результата. Мы также пробовали увеличить количество серверов, обрабатывающих запросы, но это увеличивало затраты без заметного улучшения производительности. Каждое из этих решений сталкивалось с новыми проблемами, и мы понимали, что нам нужно искать другие подходы, чтобы решить эту задачу.

Технический подход: внедрение Laravel queue

В конце концов, мы пришли к решению использовать Laravel queue. Это позволило нам распределить задачи по обработке резюме между несколькими воркерами, что значительно увеличило скорость обработки. Вот как мы это реализовали:

use App\Jobs\ParseResume;

foreach ($resumes as $resume) {
    ParseResume::dispatch($resume);
}

Это решение позволило нам обрабатывать запросы асинхронно, что значительно улучшило отзывчивость системы и снизило нагрузку на серверы.

Изменения в продукте

После внедрения Laravel queue, время обработки резюме удалось сократить до 3-5 секунд. Пользователи начали получать результаты практически мгновенно. Это не только повысило удовлетворенность клиентов, но и позволило нам вернуть доверие к продукту. Мы получили положительные отклики, и количество жалоб резко сократилось. Теперь пользователи могли сосредоточиться на других аспектах работы, не теряя время на ожидание результатов.

Уроки, которые мы извлекли

Этот процесс научил нас нескольким важным урокам:

• Асинхронная обработка задач значительно повышает производительность.
• Не все решения очевидны; иногда стоит попробовать несколько подходов, прежде чем найти правильный.
• Важно учитывать обратную связь от пользователей и оперативно реагировать на жалобы.
• Оптимизация на уровне кода может быть недостаточной без правильной архитектуры.
• Командная работа и открытое обсуждение проблем помогают находить более эффективные решения.

Что это значит для кандидатов

Для кандидатов это значит, что мы в Fitlane AI активно ищем инженеров, которые готовы решать реальные проблемы и улучшать пользовательский опыт. У нас есть возможность внедрять свои идеи и видеть, как они влияют на продукт. Если вы хотите работать в команде, которая ценит ваши идеи и стремится к постоянному развитию, мы будем рады вас видеть.

Что это значит для рекрутеров

Рекрутеры должны понимать, что мы ищем не только технические навыки, но и способность к критическому мышлению. Нам нужны специалисты, которые могут предложить решения, а не просто выполнять задачи. Если у вас есть кандидаты, которые готовы работать в динамичной среде и способны адаптироваться, обязательно обращайте на них внимание.

Следующие шаги

Несмотря на успех, мы понимаем, что нужно продолжать следить за производительностью и искать новые возможности для оптимизации. Мы рассматриваем возможность интеграции других технологий, таких как контейнеризация, для улучшения масштабируемости системы. Если бы нам пришлось начинать заново, мы бы, возможно, протестировали этот подход раньше, чтобы быстрее прийти к эффективному решению.